并发编程实战学习笔记（八）——性能与可伸缩性

绝地灬酷狼 2022-10-01 04:55 163阅读 0赞

## **性能追求与安全性复杂性的矛盾** ##

许多提升性能的技术同样会增加复杂性，因此也就增加了在安全性和活跃性上发生失败的风险。

## **并发程序设计的最基本原则** ##

首先要保证程序能正确运行，然后仅当程序的性能需求和测试结果要求程序执行得更快时，才应该设法提高它的运行速度。

## **提高程序运行速度的总体思路** ##

先使程序正确运行，首先可以从代码内在逻辑层面思考优化点外，通过压测等手段来观察系统资源使用瓶颈，从而实现通过实验数据而不是主观猜想来提出新的策略。

## **应用程序性能的衡量指标** ##

*    
    
 *  **服务时间、等待时间**用于衡量程序的“运行速度”，即某个指定的任务单元需要“多快”才能处理完成。
 *  **生产量、吞吐量**用于衡量程序的“处理能力”，即在给定计算机资源的情况下，能完成“多少”工作。

> 因此得出结论：性能的提高就是使应用程序，1）对任务单元的处理速度更快，2）资源一定的情况下，完成更多的工作

## **可伸缩性定义** ##

当增加计算资源时（例如CPU、内存、存储容量或I/O带宽），程序的吞吐量或者处理能力能相应地增加。

> 对于用户访问量快速增加的服务端程序而言，良好的可伸缩性是至关重要的，直接决定了能否在QPS快速增加的时候，简单的通过添加计算资源就能承受住访问压力，并且正常提供服务。否则只能是拒绝服务，或者响应速度大大降低了。

## **良言相劝** ##

*  避免不成熟的优化。首先使程序正确，然后再提高运行速度——如果它还运行得不够快。
 *  不要过度担心非竞争同步带来的开销。这个基本的机制已经非常快了，并且JVM还能进行额外的优化以进一步降低或者消除开销。因此，我们应该将优化重点放在那些发生锁竞争的地方。

## **Amdahl定律** ##

在增加计算资源的情况下，程序在理论上能够实现最高加速比，这个值取决于可并行组件与串行组件所占的比重。假定F是必须被串行执行的部分，那么根据Amdahl定律，在包含N个处理器的机器中，最高的加速比为：

> Speedup <= 1 / ( F + (1-F) / N )

当N趋近于无穷大时，最大的加速比趋近于1/F。因此，如果程序有50%的计算需要串行执行，那么最高的加速比只能是2（而不管有多少个线程可用）

> 我们评估一个算法时，要考虑算法在数百个或数千个处理器的情况下的性能表现，从而对可能出现的可伸缩性局限有一定程度的认识。

## **自旋锁的使用场景** ##

如果等待时间较短，则适合采用自旋等待方式，如果等待时间较长，则适合采用线程挂起方式。

## **降低锁竞争的理论分析** ##

> 在并发程序中，对可伸缩性的最主要威胁就是独占方式的资源锁。

有两个因素将影响在锁上发生竞争的可能性：锁的请求频率，以及每次持有该锁的时间。

> 有3种方式可以降低锁的竞争程序  
> \- 减少锁的持有时间  
> \- 降低锁的请求频率  
> \- 使用带有协调机制的独占锁，这些机制允许更高的并发性。比如读写锁

## **减少锁竞争的方法** ##

*  缩小锁的范围（快进快出）。
    
    > 能锁代码块就不要锁整个对象，能锁对象就不要锁整个类等等；
 *  细粒度锁之锁分解。
    
    > 比如一开始是锁整个对象，将对象里边不需要原子操作的多个域分开设置锁，获取不同的锁，操作不同的域，这样就降低了对单个锁的竞争激烈程序。
 *  细粒度锁之锁分段。
    
    > 参考ConcurrentHashMap里边将EntrySet数组分成16个分段锁，从而大大降低了锁的竞争
 *  避免热点域。
    
    > 参考ConcurrentHashMap里边将热点域size分成多个值，当我们需要获取全局size的时候，就临时把这些值加起来就是，虽然可能得不到一个准确的值，但大大提高了并发性，是划算的。
 *  使用一些替代独占锁的方法
    
    > 放弃使用独占锁，从而有助于使用一种友好并发的方式来管理共享状态。例如，使用并发容器、读-写锁、不可变对象以及原子变量。
 *  监测CPU的利用率从而分析出系统瓶颈
    
    > 如果CPU没有得到充分利用，那么需要找出其中的原因（vmstat,mpstat查询CPU使用情况）。可能的原因如下：
    > 
    >  *  **负载不充足**。可以在测试时增加负载，并检查利用率，响应时间和服务时间等指标的变化。如果产生足够多的负载使应用程序达到饱和，那么可能需要大量的计算机能耗，并且问题可能在于客户端系统是否具有足够的能力，而不是被测试系统。
    >  *  **IO密集**。可以通过iostat或者perfmon来判断某个应用程序是否是磁盘I/O密集型的，或者通过监测应用的通信流量来判断它是否需要高带宽。
    >  *  **外部限制**。如果应用程序依赖于外部服务，比如数据库或web服务，那么性能瓶颈可能并不在你自己的代码中。
    >  *  **锁竞争**。使用分析工具可以知道在程序中存在何种程度的锁竞争。比如进行线程栈帧转储，来观察是不是有“waiting to lock monitor”之类的关键字。  
    >     在CPU保持忙碌状态之后，我们试试增加CPU的数量，比如从4核换到8核，看是否能增加处理能力，如此就可以得出结论：增加CPU可以提高程序的处理能力，类似的其它资源验证过程也是类似的。
 *  向对象池说“不”
    
    > 早期垃圾回收机制很慢，效率很低，很多程序通过对象池来降低垃圾回收的压力。但现在的垃圾回收机制已经很快了。在并发程序中，对象池的表现更加糟糕：
    > 
    >  *  如果这些线程从对象池中请求一个对象，那么就需要通过某种同步来协调对对象池数据结构的访问，从而可能使某个线程被阻塞。
    >  *  如果某个线程由于锁竞争而被阻塞，那么这种阻塞的开销将是内存分配操作开销的数百倍，因此即使对象池带来的竞争很小，也可能形成一个可伸缩性的瓶颈。（即使是一个非竞争的同步，导致的开销也会比分配一个对象的开销大。）
    >  *  虽然这看似是一种性能优化技术，但实际上却会导致可伸缩性问题。

## **传统网络模式下，同步阻塞IO将导致上下文切换，同时，一个连接一个线程将导致更多的上下文切换，改进方法如下**： ##

*  将阻塞IO操作从处理请求的线程分离出来，放到专门的线程中去处理。
 *  使用nio，多路复用机制，实现可以由有限线程池来处理所有的连接请求。
 *  使用用nio，异步io，详细参考：[聊聊Linux 五种IO模型][Linux _IO]

[Linux _IO]: http://blog.csdn.net/chaozhi_guo/article/details/65664472